Prevalence and Outcomes of CKD in England (CaReMe CKD UK)
Notice bibliographique
Résumé
Background: The CaReMe CKD study indicates that one in ten adults in Europe and Canada likely have chronic kidney disease (CKD). In England, 6.5% of the population has been diagnosed with CKD, but rates of possible and undiagnosed cases remain unknown. To address this, we updated the analysis with more comprehensive electronic health records (EHR) to determine the prevalence of diagnosed and potentially undiagnosed CKD and associated clinical adverse outcomes in England. Methods: Patients were identified using linked national EHR (Clinical Practice Research Datalink, Hospital Episode Statistics and Office for National Statistics) by either having a CKD diagnosis or a single pathological value of eGFR <60 ml/min/1.73 m2 or urine albumin-creatinine ratio (UACR) ≥30 mg/g before 1st November 2020. CKD stages were defined in accordance with Kidney Disease: Improving Global Outcomes (KDIGO) criteria. CKD was categorized into three groups based on laboratory values or diagnosis codes (Figure). One year cardiovascular and renal event rates were determined using the first recorded in-hospital diagnosis at the main position. Results: In a background population of 10,363,493, the prevalence of possible CKD was 9.2% (mean age 71, 55% women, 32% diabetes, 46% using renin-angiotensinaldosterone system inhibitors); while one out of three did not have a corresponding CKD-specific diagnostic code, half could not be confirmed with KDIGO criteria. Prevalence of CKD was consistently higher in females across definitions. Among CKD patients confirmed by KDIGO criteria, the majority (64%) were in KDIGO stage 3A, 3% were stages one or two. Adverse events were common and 6.7%-8.7% died annually (Figure). Conclusions: One in ten adults in England is affected by CKD, which leads to significant adverse outcomes. Diagnosis rates underestimates the actual prevalence of CKD. There is significant public health potential to identify and treat those who currently remain undiagnosed. Funding: Commercial Support - AstraZenecaPrevalence, outcomes and definitions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».